Übungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18

Größe: px
Ab Seite anzeigen:

Download "Übungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18"

Transkript

1 Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr (im Kasten im UG von Gebäude 50.34) Aufgabe 1 (2 Punkte) Zeigen Sie, dass das TravelingSalesman-Problem stark NP-vollständig ist. Sei G = (V, E) eine Instanz des NP-vollständigen HamiltonianCycle-Problems. Setze E = V V und definiere für e E c(e) = { 1 falls e E 2 sonst Dann enthält G einen Hamiltonkreis genau dann, wenn ((V, E ), c) eine Traveling-Salesman-Tour der Länge k = V enthält. Es werden nur die Zahlen Eins, Zwei und k kodiert. Die Größe all dieser Zahlen ist linear in der Größe von V. Damit ist das TravelingSalesman-Problem selbst bei unärer Kodierung von ((V, E ), c, k) NP-vollständig. Aufgabe 2 ( = 6 Punkte) Aus Vorlesung und Übung kennen Sie das NP-vollständige Problem VertexCover: Gegeben: ungerichteter Graph G = (V, E) und k N. Gesucht: Menge V V mit V k, sodass (u, v) E : u V v V. (a) Ist das Problem in der oben gegebenen Formulierung ein Optimierungsproblem, ein Optimalwertproblem, oder ein Entscheidungsproblem? Geben Sie auch die beiden anderen Formulierungen an. Bemerkung: Die Aufgabenstellung ergibt in dieser Form keinen Sinn, siehe unten. Es soll eine approximative Lösung für das VertexCover Problem berechnet werden. Dazu wird zunächst V = gesetzt. Solange G eine Kante enthält wird dann eine beliebige Kante (u, v) E gewählt, beide Knoten u, v zu V hinzugefügt und anschließend aus G entfernt. Um einen Knoten w aus G zu entfernen werden alle zu w inzidenten Kanten und w selbst entfernt. (b) Zeigen Sie, dass dieser Algorithmus tatsächlich ein VertexCover berechnet.

2 (c) Zeigen Sie, dass dieser Algorithmus ein Approximationsalgorithmus für das VertexCover Problem mit einer relativen Gütegarantie von 2 ist. Hinweis: Die Menge der gewählten Kanten bildet ein Matching. (d) Zeigen Sie, dass unter der Annahme P NP kein Polynomialzeitapproximationsalgorithmus mit absoluter Gütegarantie für das VertexCover Problem existiert. Der Algorithmus soll angepasst werden, um eine approximative Lösung für das IndependentSet Problem zu finden. Gegeben: ungerichteter Graph G = (V, E). Gesucht: kardinalitätsmaximale Menge V V, für die aus v V für alle Kanten {u, v} E folgt, dass u V. Dazu wird anstatt der Menge V die Menge V \ V ausgegeben. (e) Ist der so abgewandelte Algorithmus ein Approximationsalgorithmus für das Independent- Set Problem mit relativer Gütegarantie 2? Begründen Sie! (a) Die Formulierung in der Aufgabenstellung ist unsinnig. Deshalb lässt sich die Frage am treffendsten mit keines davon beantworten. Das Entscheidungsproblem wäre: Gegeben: ungerichteter Graph G = (V, E) und k N. Gefragt: existiert eine Menge V V mit V k, sodass für alle Kanten (u, v) E gilt: u V v V? Die Antwort wäre dann also ja oder nein. Das Optimalwertproblem ist: Gegeben: ungerichteter Graph G = (V, E). Gesucht: wie lautet das minimale k N, sodass eine Menge V V mit V = k exisitiert, sodass für alle Kanten (u, v) E gilt: u V v V. Die Antwort wäre dann also eine natürliche Zahl. Das Optimierungsproblem ist: Gegeben: ungerichteter Graph G = (V, E). Gesucht: kardinalitätsminimale Menge V V, sodass für alle Kanten (u, v) E gilt: u V v V. Die Anwort wäre dann also eine Menge von Knoten. (b) Betrachte eine beliebige Kante (u, v). Da der Algorithmus erst terminiert, wenn G keine Kante mehr enthält, wird (u, v) irgendwann aus G entfernt. Dies geschieht nur dann, wenn entweder u oder v aus G entfernt wird. Dann gilt u V v V. (c) Betrachte die Menge von Kanten, die der Algorithmus auswählt. Da für jede solche Kante (u, v) danach sowohl u als auch v aus G entfernt werden, kann danach keine zu (u, v) adjazente Kante mehr gewählt werden. Die Menge der gewählten Kanten bilden also ein Matching. Jedes VertexCover muss (u, v) abdecken und deshalb u oder v enthalten. Die Menge V enthält also höchstens doppelt so viele Elemente, wie eine optimale Lösung.

3 (d) Angenommen, es gäbe einen solchen Algorithmus A mit absoluter Gütegarantie k. Bei Eingabe einer Instanz G = (V, E) wird dann einfach eine Instanz generiert, die aus k + 1 Kopien von G besteht. Da A eine absolute Gütegarantie k hat, muss mindestens eine Kopie optimal gelöst worden sein. Gibt man also die beste Teilkopie zurück, hat man in Polynomialzeit eine optimale Lösung von G berechnet. Dies ist unter Annahme von P NP ein Widerspruch zur NP-Vollständigkeit von VertexCover. (e) Nein. Betrachte dazu eine Menge von unabhängigen Kanten. Der Algorithmus gibt dann die leere Menge aus, was keine 2-Approximation eines IndependentSet ist. Aufgabe 3 ( = 5 Punkte) Gegeben sei eine Grundmenge S = {1,..., n} und ein Mengensystem C 2 S. Jede Menge A C enthalte maximal 3 Elemente, d.h. A 3. Ein HittingSet für C ist eine Teilmenge X S, so dass für jedes A C gilt A X. Gesucht ist ein HittingSet minimaler Kardinalität, was ein NP-vollständiges Problem ist. Sie sollen deshalb nun versuchen, einen Approximationsalgorithmus zu entwickeln. In einem ersten Versuch wählt man dazu immer aus einer noch nicht abgedeckten Menge ein beliebiges Element a und fügt es dem HittingSet hinzu. Betrachten Sie den folgenden Algorithmus: Algorithmus 1: 3-HittingSet-Approximation, Versuch 1 Eingabe: S = {1,..., n}, C 2 S mit A 3 für alle A C Ausgabe: HittingSet X für C X ; solange C tue A wähle eine beliebige Menge A C ; a wähle ein beliebiges Element aus A; X X {a} ; C C \ {A C A X } ; (a) Zeigen Sie, dass Algorithmus 1 kein Approximationsalgorithmus mit konstanter oder relativer Gütegarantie ist. Im zweiten Versuch wird die Strategie auf eine Art und Weise angepasst, die vielleicht verschwenderisch erscheint. Anstatt nur ein Element a zu X hinzuzufügen, werden alle Elemente aus A zu X hinzugefügt. Betrachten Sie den folgenden Algorithmus: Algorithmus 2: 3-HittingSet-Approximation Eingabe: S = {1,..., n}, C 2 S mit A 3 für alle A C Ausgabe: HittingSet X für C X ; solange C tue A wähle eine Menge A C ; X X A ; C C \ {A C A X } ;

4 (b) Zeigen Sie, dass Algorithmus 2 ein 3-Approximationsalgorithmus ist, d.h. dass A(I) 3 OPT(I) gilt. Hierbei sei I eine beliebige Instanz des Problems, A(I) die Kardinalität des von Algorithmus 2 zurückgegebenen HittingSets, sowie OPT(I) die Kardinalität einer optimalen Lösung. (c) Zeigen Sie, dass die relative Gütegarantie von Algorithmus 2 nicht besser als 3 ist. Geben Sie dazu eine Familie von Mengensystemen C an, für die Algorithmus 2 ein HittingSet berechnet, dass dreimal so viele Elemente enthält wie eine optimale Lösung. (a) Sei S = {1, 2,..., n} und C = {{1, 2}, {1, 3},..., {1, n}}. Dann wählt Algorithmus 1 ggf. immer a 1, was X = n 1 impliziert. Eine optimale Lösung würde hingegen nur aus dem Element 1 bestehen. (b) In der ersten Zeile wird immer eine Menge A gewählt, so dass gilt A X =, sonst wäre A bereits aus C entfernt worden. Sei X eine beliebige aber feste optimale Lösung. Weil X ein HittingSet ist, gilt A X. Kombiniert ergibt sich A (X \ X). Pro Schleifendurchlauf wird also mindestens ein Element aus X zu X hinzugefügt, welches davor noch nicht zu X gehörte. Spätestens nach X Schleifendurchläufen wird X also ein HittingSet sein. Da für alle A C gilt A 3 werden pro Schleifendurchlauf außerdem höchstens drei Elemente zu X hinzugefügt. Insgesamt gilt dann X 3 X. Damit ist A ein 3-Approximationsalgorithmus für das HittingSet-Problem. (c) Sei C = {{1, 2, 3}, {4, 5, 6}, {7, 8, 9},...}. Eine optimale Lösung würde n/3 Elemente enthalten, Algorithmus 2 berechnet aber eine Lösung mit n Elementen. Aufgabe 4 ( = 10 Punkte) Betrachten Sie das folgende Problem. Gegeben sind m identische Maschinen M = {i 1,..., i m } und eine Menge von n Jobs J = {j 1,..., j n }. Jede Maschine kann immer nur einen Job bearbeiten und jeder Job muss ohne Unterbrechung auf einer Maschine bearbeitet werden. Die Bearbeitungszeit von Job j ist gegeben durch p j 0 und ist unabhängig von der Maschine auf der j bearbeitet wird. Gesucht ist eine Zuweisung der Jobs auf die Maschinen, so dass die Gesamtbearbeitungszeit minimiert wird. Ist beispielsweise jeder Maschine i M die Jobmenge J i J zugeordnet, so muss gelten, dass J 1 J 2 J m = J und J i J i = für i i. Die Gesamtbearbeitungszeit ist dann gegeben durch max i M T i wobei T i = j J i p j. Betrachten Sie nun den folgenden Algorithmus A um eine Zuweisung der Jobs auf Maschinen zu berechnen: Gehe durch die Jobs j 1,..., j n in dieser Reihenfolge und weise den nächsten Job der Maschine zu, die momentan die geringste Bearbeitungszeit hat.

5 Betrachten Sie nun den Algorithmus à der wie A funktioniert, außer dass die Jobs anfangs nach nicht-aufsteigender Bearbeitungszeit sortiert werden. Sortiere die Jobs nach nicht-aufsteigender Bearbeitungszeit, d.h. p j1 p j2 p jn. Gehe durch die Jobs j 1,..., j n in dieser Reihenfolge und weise den nächsten Job der Maschine zu, die momentan die geringste Bearbeitungszeit hat. Bezeichne T die Gesamtbearbeitungszeit in von A gefundenen Zuweisung, T die Gesamtbearbeitungszeit der von à gefundenen Zuweisung und T die Gesamtbearbeitungszeit in einer optimalen Zuweisung. (a) Beweisen Sie, dass T max j J p j und T 1 m j J p j. (b) Beweisen Sie, dass A ein Approximationsalgorithmus mit relativer Gütegarantie von höchstens 2 ist (d.h. R A 2). Hinweis: Vergleichen Sie T mit den unteren Schranken an T aus a. (c) Finden Sie für jedes ε > 0 Instanzen für die gilt T (2 ε)t. (d) Beweisen Sie, dass à ein Approximationsalgorithmus mit relativer Gütegarantie von höchstens 3/2 ist (d.h. R 3/2). à Hinweis: Finden Sie eine weitere untere Schranke an T für den Fall dass n > m. (e) Finden Sie für jedes ε > 0 Instanzen für die gilt T (4/3 ε)t. Bemerkung: Man kann zeigen, dass R à das müssen Sie hier nicht zeigen. 4/3, also à ein 4/3-Approximationsalgorithmus ist, aber (a) Natürlich muss der Job j mit der längsten Bearbeitungszeit, d.h. p j = max j J p j, auch bearbeitet werden. Wenn j J i (j wird von Maschine i bearbeitet), dann gilt T T i = j J i p j p j = max j J p j. Weiterhin folgt aus T i T, dass i M T i mt und mit J 1 J m = J folgt mt i M T i = i M j J i p j = j J p j. (b) Wir zeigen, dass T max j J p j + 1 m j J p j. Mit den Ungleichungen in (a) folgt dann T 2T für alle Instanzen und demnach R A 2. Betrachte also eine Maschine i mit T i = T, also eine mit längster Bearbeitungszeit in der von A berechneten Zuweisung. Sei j der letzte Job der Maschine i zugewiesen wurde. Das heißt zu diesem Zeitpunkt hatte Maschine i die momentan geringste Bearbeitungszeit, also höchstens die momentan durchschnittliche Bearbeitungszeit. Es gilt also T i = (T i p j ) + p j 1 m j J p j + max j J p j. (c) Wir betrachten m Maschinen, m(m 1) Jobs j mit Bearbeitungszeit p j = 1 und einen Job j mit Bearbeitungszeit p j = m. Nun lasse Algorithmus A zuerst alle Jobs mit Bearbeitungszeit 1 zuweisen. Es ist klar, dass dann jeder Maschine genau m 1 Jobs zugewiesen werden. Am

6 Ende wird Job j dann einer Maschine i zugewiesen und wir haben T = T i = m 1 + m = 2m 1. Andererseits wird in einer optimalen Zuweisung Job j von einer Maschine i bearbeitet und die restlichen m 1 Maschinen bearbeiten je m der übrigen m(m 1) Jobs. Das gibt eine Gesamtbearbeitungszeit von T = m. Also gilt T = 2T 1 = (2 1/m)T. Wir wählen also m 1/ε. (d) Falls n m, so besteht eine optimale Zuweisung aus einem Job pro Maschine und diese Zuweisung wird auch von à berechnet. In diesem Fall gilt also sogar T = T. Falls nun n > m, so muss in einer optimalen Zuweisung mindestens eine Maschine zwei Jobs aus {j 1,..., j m+1 } J bearbeiten. Da j m+1 eine geringste Bearbeitungszeit in dieser Menge hat, gilt also T 2p jm+1. Betrachte nun eine Maschine i mit T i = T und den letzten Job j der i von Algorithmus à zugewiesen wurde. Da die Jobs sortiert durchlaufen wurden, gilt p j p jm+1 und wir erhalten analog zu (b) T i = (T i p j ) + p j 1 p j + p jm+1 T + T /2 = 3 m 2 T. j J (e) Wir betrachten m Maschinen und 2m+1 Jobs mit m 3. Drei Jobs haben eine Bearbeitungszeit von m und jeweils zwei der verbleibenden 2m 2 Jobs haben eine Bearbeitungszeit von m + 1, m + 2 bis 2m 1. Algorithmus à weist nun m 1 Maschinen jeweils zwei Jobs zu mit Gesamtbearbeitungszeit 3m 1 und einer Maschine i drei Jobs mit Gesamtbearbeitungszeit 4m 1. Es gilt also T = 4m 1. Andererseits werden in einer optimalen Zuweisung die drei Jobs mit Bearbeitungszeit m auf einer Maschine ausgeführt und die restlichen 2m 2 Jobs jeweils in geeigneten Paaren auf einer der restlichen m 1 Maschinen mit einer Gesamtbearbeitungszeit von T = 3m. Es gilt also T = 4/3T 1 = (4/3 1/(3m))T. Wir wählen also m 1/(3ε). Aufgabe 5 (3 Punkte) Zeigen Sie, dass es keinen polynomiellen Approximationsalgorithmus mit absoluter Gütegarantie für Max2Sat gibt, falls P NP gilt. Angenommen, es gäbe einen polynomiellen Approximationsalgorithmus mit absoluter Gütegarantie k für Max2Sat. Daraus konstruieren wir einen polynomiellen Lösungsalgorithmus für Sat, was der Annahme P NP widerspricht. Sei I = (V, C) eine Instanz von Sat. Konstruiere eine Instanz I = (V, C ) von Max2Sat durch k + 1-maliges Kopieren von I. Setze dazu V = V {0, 1,..., k}. Für jedes fügen wir die Klauseln zu C hinzu. C = (v 1 v 2... v s v s+1... v t ) C k ((v 1, i) (v 2, i)... (v s, i) (v s+1, i)... (v t, i)) i=0

7 Da k eine Konstante ist, ist die Größe von I linear in der Größe von I. Ist I lösbar ist auch I lösbar durch k + 1-maliges Kopieren der Lösung von I. Umgekehrt sind in einer Lösung von I höchstens k Klauseln nicht erfüllt. Da die Instanz I aber k + 1-Mal kopiert wurde, müssen in mindestens einer Kopie von I alle Klauseln erfüllt sein. Damit ist natürlich auch I lösbar. Insgesamt ist dann Sat in Polynomialzeit lösbar, was ein Widerspruch zur Annahme P NP ist. Also kann es keinen polynomiellen Approximationsalgorithmus mit absoluter Gütegarantie für Max2Sat geben. Aufgabe 6 (3 + 1 = 4 Punkte) Sei p ein Polynom und Π ein NP-schweres Minimierungsproblem, sodass die Optimierungsfunktion f Π des Problems ganzzahlig ist. Außerdem gelte für jede Instanz I, dass OPT Π (I) < p( I u ), wobei I u die unäre Kodierung von I bezeichnet. Zeigen Sie (a) Falls es für Π ein FPAS gibt, so gibt es auch einen pseudopolynomialen Algorithmus für Π. (b) Unter der Annahme P NP gibt es für ein stark NP-vollständiges Problem kein FPAS. (a) Sei {A ε ε > 0} ein FPAS für Π, d.h., die Laufzeit von A ε ist polynomial in I und 1 ε. Formal: Die Laufzeit von A ε ist q( I, 1 ε ), wobei q ein Polynom ist. Setze ε = 1 p( I. Für die Lösung A u ) ε gilt. R Aε = Wir erhalten also folgende Abschätzung: A ε(i) (1 + ε) OPT Π (I) A ε (I) (1 + ε) OPT Π (I) = OPT Π (I) + ε OPT Π (I) < OPT π (I) + εp( I u ) = OPT Π (I) + 1 Da Π ein Minimierungsproblem ist und die Optimierungsfunktion von Π ganzzahlig ist, gilt somit A ε (I) = OPT Π (I). A ε (I) mit ε = 1 p( I u ) ist also exakter Algorithmus für Π. (b) Eine analoge Aussage kann für Maximierungsprobleme gezeigt werden. Es gilt also, dass wenn ein Problem Π ein FPAS besitzt, dann auch einen pseudopolynomialen Algorithmus. Π kann somit nicht stark NP-vollständig sein. Aufgabe 7 (4 Punkte) Wie jeden Dezember muss der Weihnachtsmann seinen Rentierschlitten mit Geschenken beladen. Jedes Geschenk ist quaderförmig, die Ladefläche des Schlittens ist rechtechtig mit festen Seitenlängen. Damit nichts zu Bruch kommt dürfen Geschenke prinzipiell nicht gestapelt werden. Außerdem

8 dürfen die Geschenke nur achsenparallel auf dem Schlitten platziert werden. Da beim Rentierschlittentransport nur der Himmel die Grenze ist, dürfen die Geschenke beliebig hoch sein. Das Ziel ist es, alle Geschenke auf dem Schlitten unterzubringen. Weil der Weihnachtsmann in den vergangenen Jahren viele Stunden damit verbracht hat, die Geschenke möglichst geschickt auf seinem Schlitten unterzubringen, würde er gerne ein effizientes (also Polynomialzeit-) Verfahren zum Geschenkeverladen entwickeln. Zeigen Sie, dass das unter er Annahme P NP unmöglich ist. Wir zeigen, dass GeschenkeVerladen NP-vollständig ist. Sei die Menge M = {a 1, a 2,..., a n } mit Gewichtungsfunktion s : M {0, 1}. Beim Entscheidungsproblem BinPacking geht es darum, zu entscheiden, ob sich die Elemente aus M zu k Bins der Größe Eins einteilen lassen. Der Schlitten habe die Maße l b. Nehme an, dass gilt b/k > l (ist dies nicht der Fall, kann ein geeignetes sehr großes Geschenk konstruiert werden). Konstruiere für jedes a M ein Geschenk g mit Länge s(a) l, Breite b/k und Höhe b+1. Die Kantenlängenzuweisung für g legt die Orientierung des Geschenks auf dem Schlitten vollständig fest. Dadurch induziert jede Platzierung der Geschenke eine Lösung der BinPacking-Instanz und umgekehrt.

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität

Mehr

2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017

2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017 2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie

Mehr

Approximationsalgorithmen für NP-harte Optimierungsprobleme

Approximationsalgorithmen für NP-harte Optimierungsprobleme Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante

Mehr

Aufgabe Mögliche Punkte Erreichte Punkte a b c d Σ a b c d Σ x1 13

Aufgabe Mögliche Punkte Erreichte Punkte a b c d Σ a b c d Σ x1 13 Universität Karlsruhe Theoretische Informatik Fakultät für Informatik WS 2003/04 ILKD Prof. Dr. D. Wagner 14. April 2004 2. Klausur zur Vorlesung Informatik III Wintersemester 2003/2004 Hier Aufkleber

Mehr

Approximationsalgorithmen für NP-harte Optimierungsprobleme

Approximationsalgorithmen für NP-harte Optimierungsprobleme Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung

Mehr

Polynomialzeit- Approximationsschema

Polynomialzeit- Approximationsschema Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem

Mehr

Lösungen zur Vorlesung Berechenbarkeit und Komplexität

Lösungen zur Vorlesung Berechenbarkeit und Komplexität Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der

Mehr

1. Klausur zur Vorlesung Informatik III Wintersemester 2003/2004. Mit Lösung!

1. Klausur zur Vorlesung Informatik III Wintersemester 2003/2004. Mit Lösung! Universität Karlsruhe Theoretische Informatik Fakultät für Informatik WS 23/4 ILKD Prof. Dr. D. Wagner 2. Februar 24. Klausur zur Vorlesung Informatik III Wintersemester 23/24 Mit Lösung! Beachten Sie:

Mehr

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick

Mehr

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009

Mehr

Algorithmische Methoden für schwere Optimierungsprobleme

Algorithmische Methoden für schwere Optimierungsprobleme Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund

Mehr

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien

Mehr

Komplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben

Komplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekte mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 5. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 05.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Theoretische Informatik 1

Theoretische Informatik 1 Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP

Mehr

Wie komme ich von hier zum Hauptbahnhof?

Wie komme ich von hier zum Hauptbahnhof? NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!

Mehr

Kapitel 9: Lineare Programmierung Gliederung

Kapitel 9: Lineare Programmierung Gliederung Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen

Mehr

Übungsblatt Nr. 5. Lösungsvorschlag

Übungsblatt Nr. 5. Lösungsvorschlag Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Nico Döttling Dirk Achenbach Tobias Nilges Vorlesung Theoretische Grundlagen der Informatik Übungsblatt Nr. 5 svorschlag Aufgabe 1

Mehr

Einführung in Approximative Algorithmen und Parametrisierte Komplexität

Einführung in Approximative Algorithmen und Parametrisierte Komplexität Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition

Mehr

Hamiltonsche Graphen

Hamiltonsche Graphen Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,

Mehr

Übungsblatt 2 - Lösung

Übungsblatt 2 - Lösung Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer

Mehr

Probleme aus NP und die polynomielle Reduktion

Probleme aus NP und die polynomielle Reduktion Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit

Mehr

2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009

2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009 2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes

Mehr

Die Klasse NP und die polynomielle Reduktion

Die Klasse NP und die polynomielle Reduktion Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit

Mehr

1.Aufgabe: Minimal aufspannender Baum

1.Aufgabe: Minimal aufspannender Baum 1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 01. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 01.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der

Mehr

Klausur: Berechenbarkeit und Komplexität (Niedermeier/Chen/Froese/Sorge, Sommersemester 2016)

Klausur: Berechenbarkeit und Komplexität (Niedermeier/Chen/Froese/Sorge, Sommersemester 2016) Technische Universität Berlin, Berlin, 28.07.2016 Name:... Matr.-Nr.:... Klausur: Berechenbarkeit und Komplexität (Niedermeier/Chen/Froese/Sorge, Sommersemester 2016) Einlesezeit: Bearbeitungszeit: Max.

Mehr

Randomisierte und Approximative Algorithmen. Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn

Randomisierte und Approximative Algorithmen. Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn Randomisierte und Approximative Algorithmen Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn 22. Januar 2018 Inhaltsverzeichnis 1 Einleitung 4 2 Greedy-Algorithmen 6 2.1 Vertex Cover................................

Mehr

Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie

Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann

Mehr

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr

2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2014/2015

2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2014/2015 2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2014/2015 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie

Mehr

Klausur Algorithmentheorie

Klausur Algorithmentheorie Prof. Dr. G. Schnitger Frankfurt, den 13.02.2009 Klausur Algorithmentheorie WS 2008/2009 Name: Vorname: Studiengang: BITTE GENAU LESEN Die Klausur besteht aus 4 Aufgaben, in denen maximal 100 Punkte erreicht

Mehr

Das Rucksackproblem. Definition Sprache Rucksack. Satz

Das Rucksackproblem. Definition Sprache Rucksack. Satz Das Rucksackproblem Definition Sprache Rucksack Gegeben sind n Gegenstände mit Gewichten W = {w 1,...,w n } N und Profiten P = {p 1,...,p n } N. Seien ferner b, k N. RUCKSACK:= {(W, P, b, k) I [n] : i

Mehr

Diskrete Mathematik 1

Diskrete Mathematik 1 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt

Mehr

6. Übungsblatt zu Algorithmen II im WS 2011/2012

6. Übungsblatt zu Algorithmen II im WS 2011/2012 Karlsruher Institut für Technologie Institut für Theoretische Informatik rof. Dr. eter Sanders Moritz Kobitzsch, Dennis Schieferdecker 6. Übungsblatt zu Algorithmen II im WS 011/01 Aufgabe 1 http://algo.iti.kit.edu/algorithmenii.php

Mehr

Approximationsklassen für Optimierungsprobleme

Approximationsklassen für Optimierungsprobleme Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag

Mehr

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP

Mehr

Nachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16)

Nachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16) Berlin, 14. April 2016 Name:... Matr.-Nr.:... Nachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16) 1 / 10 2 / 10 3 / 11 4 / 9 5 / 10 Σ / 50 Einlesezeit: Bearbeitungszeit:

Mehr

Algorithmentheorie 1. Vorlesung

Algorithmentheorie 1. Vorlesung Algorithmentheorie 1. Vorlesung Martin Dietzfelbinger 6. April 2006 FG KTuEA, TU Ilmenau AT 06.04.2006 Methode, Material Vorlesung Vorlesungsskript (Netz, Copyshop) Folien (im Netz) Vorlesung nachbereiten!

Mehr

NP-vollständig - Was nun?

NP-vollständig - Was nun? Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.

Mehr

Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier

Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 29. Januar 2013 Näherungsalgorithmen, Fernau, Universität Trier, WiSe 2012/13

Mehr

Arbeitsheft zur NP-Vollständigkeit

Arbeitsheft zur NP-Vollständigkeit Arbeitsheft zur NP-Vollständigkeit (BuK / WS 2017 / RWTH Aachen) Gerhard J. Woeginger Dieses Arbeitsheft enthält einige Übungsaufgaben zur NP-Vollständigkeit. Jede Aufgabe besteht im Wesentlichen aus einem

Mehr

Algorithmentheorie 1. Vorlesung

Algorithmentheorie 1. Vorlesung Algorithmentheorie. Vorlesung Martin Dietzfelbinger 6. April 2006 Methode, Material Vorlesung Vorlesungsskript (Netz, Copyshop) Folien (im Netz) Vorlesung nachbereiten! Übung Übungsblätter (im Netz) Übung

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. Musterlösung. Problem 1: Boruvka MST Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines

Mehr

Weitere NP-vollständige Probleme

Weitere NP-vollständige Probleme Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p

Mehr

Greedy Algorithms - Gierige Algorithmen

Greedy Algorithms - Gierige Algorithmen Greedy Algorithms - Gierige Algorithmen Marius Burfey 23. Juni 2009 Inhaltsverzeichnis 1 Greedy Algorithms 1 2 Interval Scheduling - Ablaufplanung 2 2.1 Problembeschreibung....................... 2 2.2

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert

Mehr

Wann sind Codes eindeutig entschlüsselbar?

Wann sind Codes eindeutig entschlüsselbar? Wann sind Codes eindeutig entschlüsselbar? Definition Suffix Sei C ein Code. Ein Folge s {0, 1} heißt Suffix in C falls 1 c i, c j C : c i = c j s oder 2 c C und einen Suffix s in C: s = cs oder 3 c C

Mehr

Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2011/2012

Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2011/2012 Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2011/2012 Hier Aufkleber mit Name und Matrikelnr. anbringen

Mehr

Wiederholung zu Flüssen

Wiederholung zu Flüssen Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010 . Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/200 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt

Mehr

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler 1 Matroide 1.1 Definitionen und Beispiele 1. Definition (Unabhängigkeitssystem): Ein Mengensystem

Mehr

Theorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.

Theorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21. Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

P, NP und NP -Vollständigkeit

P, NP und NP -Vollständigkeit P, NP und NP -Vollständigkeit Mit der Turing-Maschine haben wir einen Formalismus kennengelernt, um über das Berechenbare nachdenken und argumentieren zu können. Wie unsere bisherigen Automatenmodelle

Mehr

Approximationsschemata

Approximationsschemata Effiziente Algorithmen Aproximationsalgorithmen 312 Definition Approximationsschemata Sei A(ǫ) ein Approximationsalgorithmus mit einem Parameter ǫ. 1. A(ǫ) ist ein PTAS (polynomial time approximation scheme),

Mehr

Abbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z}

Abbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z} u v u v z w z w y x y x Abbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z} Definition 0.0.1 (Vertex Cover (VC)). Gegeben: Ein ungerichteter

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2005/2006

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2005/2006 1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2005/2006 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit

Mehr

Einführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.

Einführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie. Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene Netzwerk- und Graph-Algorithmen Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester

Mehr

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal 3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene Netzwerk- und Graph-Algorithmen Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester

Mehr

abgeschlossen unter,,,, R,

abgeschlossen unter,,,, R, Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen

Mehr

Approximation mit relativer Gütegarantie Überblick und einführende Beispiele

Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen

Mehr

Übung zur Vorlesung Berechenbarkeit und Komplexität

Übung zur Vorlesung Berechenbarkeit und Komplexität RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 7 26.11.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T15 Entwickeln Sie ein

Mehr

Übung zur Vorlesung Berechenbarkeit und Komplexität

Übung zur Vorlesung Berechenbarkeit und Komplexität RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 9 10.12.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T20 Beweisen Sie die

Mehr

Komplexitatstheoretische Zwischenbetrachtungen: Klassen & eine Hierarchic

Komplexitatstheoretische Zwischenbetrachtungen: Klassen & eine Hierarchic Kapitel 5 Komplexitatstheoretische Zwischenbetrachtungen: Klassen & eine Hierarchic In den vorhergehenden Kapiteln sind wir einmal quer durch das Gebiet der Approximationsalgorithmen gelaufen. Wir haben

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 25. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 25.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 10. Januar 2018 Abgabe 23. Januar 2018, 11:00 Uhr (im

Mehr

Nachklausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)

Nachklausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) Berlin, 25. März 2013 Name:... Matr.-Nr.:... Nachklausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:

Mehr

Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke

Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen

Mehr

Lösungen zur 1. Klausur. Einführung in Berechenbarkeit, formale Sprachen und Komplexitätstheorie

Lösungen zur 1. Klausur. Einführung in Berechenbarkeit, formale Sprachen und Komplexitätstheorie Hochschuldozent Dr. Christian Schindelhauer Paderborn, den 21. 2. 2006 Lösungen zur 1. Klausur in Einführung in Berechenbarkeit, formale Sprachen und Komplexitätstheorie Name :................................

Mehr

Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen.

Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen. Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen

Mehr

NP-vollständige Probleme. Michael Budahn - Theoretische Informatik 1

NP-vollständige Probleme. Michael Budahn - Theoretische Informatik 1 NP-vollständige Probleme Michael Budahn - Theoretische Informatik 1 Motivation Michael Budahn - Theoretische Informatik 2 Motivation viele praxisrelevante Probleme sind NPvollständig und eine Lösung würde

Mehr

Bäume und Wälder. Definition 1

Bäume und Wälder. Definition 1 Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt

Mehr

Teil III. Komplexitätstheorie

Teil III. Komplexitätstheorie Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein

Mehr

Dank. Theoretische Informatik II. Teil VI. Vorlesung

Dank. Theoretische Informatik II. Teil VI. Vorlesung Dank Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Diese Vorlesungsmaterialien basieren zum Teil auf den Folien zu den Vorlesungen von Katrin Erk (gehalten an der Universität

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 23. November 2017 INSTITUT FÜR THEORETISCHE 0 23.11.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität

Mehr

WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings)

WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings) WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15

Mehr

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008 Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9

Mehr

Durchschnitt von Matroiden

Durchschnitt von Matroiden Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt

Mehr

Grundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann

Grundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch

Mehr

Typischerweise sind randomisierte Algorithmen einfacher zu beschreiben und zu implementieren als deterministische Algorithmen.

Typischerweise sind randomisierte Algorithmen einfacher zu beschreiben und zu implementieren als deterministische Algorithmen. Kapitel Randomisierte Algorithmen Einleitung Definition: Ein Algorithmus, der im Laufe seiner Ausführung gewisse Entscheidungen zufällig trifft, heisst randomisierter Algorithmus. Beispiel: Bei der randomisierten

Mehr

Grundlagen: Algorithmen und Datenstrukturen

Grundlagen: Algorithmen und Datenstrukturen Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 2011 Übungsblatt 1 16. September 2011 Grundlagen: Algorithmen und

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität

Mehr

Optimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn

Optimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau

Mehr

Approximationsalgorithmen. Approximation im Sinne der Analysis:

Approximationsalgorithmen. Approximation im Sinne der Analysis: Approximationsalgorithmen Ulrich Pferschy 1 Approximationsalgorithmen Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem

Mehr

Die Komplexitätsklassen P und NP

Die Komplexitätsklassen P und NP Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen November 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und

Mehr

Proseminar Komplexitätstheorie P versus NP Wintersemester 2006/07. Nichtdeterministische Turingmaschinen und NP

Proseminar Komplexitätstheorie P versus NP Wintersemester 2006/07. Nichtdeterministische Turingmaschinen und NP Proseminar Komplexitätstheorie P versus NP Wintersemester 2006/07 Vortrag am 17.11.2006 Nichtdeterministische Turingmaschinen und NP Yves Radunz Inhaltsverzeichnis 1 Wiederholung 3 1.1 Allgemeines........................................

Mehr

Übungsblatt Nr. 5. Lösungsvorschlag

Übungsblatt Nr. 5. Lösungsvorschlag Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Dirk Achenbach Tobias Nilges Vorlesung Theoretische Grundlagen der Informatik Übungsblatt Nr. 5 Aufgabe 1: Eine schöne Bescherung (K)

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen

Zentralübung zur Vorlesung Diskrete Strukturen WS 2010/11 Zentralübung zur Vorlesung Diskrete Strukturen Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/uebung/ 2. Februar 2011 ZÜ DS ZÜ XIII 1. Übungsbetrieb:

Mehr

Algorithmen II Vorlesung am

Algorithmen II Vorlesung am Algorithmen II Vorlesung am 24.01.2013 Online Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum

Mehr

Knoten-Partitionierung in feste Eigenschaften ist NP-schwer

Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Seminar: Ausgewählte Kapitel der Informatik bei Prof. Dr. R. Schrader Seminarvortrag von Nils Rosjat Wintersemester 09 / 10 1 Einleitung Dieser

Mehr